Maskinlæring bidrar til å forbedre flash-grafen-prosessen

Forskere ved Rice University bruker maskinlæringsteknikker for å finjustere prosessen med å syntetisere grafen fra avfall gjennom flash Joule-oppvarming. Forskerne beskriver i sitt nye arbeid hvordan maskinlæringsmodeller som tilpasser seg variabler og viser dem hvordan de kan optimalisere prosedyrer, hjelper dem å presse teknikken fremover.

Maskinlæring finjusterer Rice Universitys flash Joule-oppvarmingsmetode for å lage grafen fra en rekke karbonkilder, inkludert avfallsmaterialer. Kreditt: Jacob Beckham, fra: Phys.org

Prosessen, oppdaget av Rice-laboratoriet til kjemikeren James Tour, har utvidet seg utover å lage grafen fra forskjellige karbonkilder til å utvinne andre materialer som metaller fra urbant avfall, med løftet om mer miljøvennlig resirkulering som kommer. Teknikken er den samme: å sprenge et støt med høy energi gjennom kildematerialet for å eliminere alt bortsett fra det ønskede produktet. Imidlertid er detaljene for flashing av hvert råmateriale forskjellige.

«Maskinlæringsalgoritmer vil være avgjørende for å gjøre flashprosessen rask og skalerbar uten å påvirke grafenproduktets egenskaper negativt,» sa prof. Tour.

«I de kommende årene kan flashparametrene variere avhengig av råstoffet, enten det er petroleumsbasert, kull, plast, husholdningsavfall eller noe annet,» sa han. «Avhengig av hvilken type grafen vi ønsker – små flak, store flak, høy turbostratisk, renhetsnivå – kan maskinen selv se hvilke parametere som skal endres.»

Fordi blinking lager grafen på hundrevis av millisekunder, er det vanskelig å følge detaljene i den kjemiske prosessen. Så Tour og selskapet tok en anelse fra materialforskere som har jobbet med maskinlæring i deres daglige oppdagelsesprosess.

«Det viste seg at maskinlæring og flash Joule-oppvarming hadde veldig god synergi,» sa Rice-student og hovedforfatter Jacob Beckham. «Flash Joule-oppvarming er en veldig kraftig teknikk, men det er vanskelig å kontrollere noen av variablene som er involvert, som hastigheten på strømutladning under en reaksjon. Og det er her maskinlæring virkelig kan skinne. Det er et flott verktøy for å finne sammenhenger mellom flere variabler , selv når det er umulig å gjøre et fullstendig søk i parameterrommet». «Denne synergien gjorde det mulig å syntetisere grafen fra skrapmateriale basert helt på modellenes forståelse av Joule-oppvarmingsprosessen,» forklarte han. «Alt vi måtte gjøre var å utføre reaksjonen – som til slutt kan automatiseres.»

Laboratoriet brukte sin tilpassede optimaliseringsmodell for å forbedre grafenkrystallisering fra fire utgangsmaterialer – karbonsvart, plastpyrolyseaske, pyrolyserte gummidekk og koks – over 173 forsøk, ved å bruke Raman-spektroskopi for å karakterisere utgangsmaterialene og grafenproduktene.

Forskerne matet deretter mer enn 20 000 spektroskopiresultater til modellen og ba den forutsi hvilke utgangsmaterialer som ville gi det beste utbyttet av grafen. Modellen tok også hensyn til effektene av ladningstetthet, prøvemasse og materialtype i sine beregninger.

I siste måned utviklet Rice-teamet en akustisk prosesseringsmetode for å analysere LIG-syntese i sanntid .